論文の概要: An Invariant Neural-Network Eddy-Viscosity Closure with Iterative Solver Coupling for Molten Salt Fast Reactor Thermal-Hydraulics
- arxiv url: http://arxiv.org/abs/2611.17067v1
- Date: Thu, 12 Nov 2026 16:41:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.556269
- Title: An Invariant Neural-Network Eddy-Viscosity Closure with Iterative Solver Coupling for Molten Salt Fast Reactor Thermal-Hydraulics
- Title(参考訳): 溶融塩型高速炉熱水圧計における反復溶媒カップリングを用いた不変ニューラルネットワーク渦粘性クロージャ
- Abstract要約: システム解析モジュール(SAM)のための不変ニューラル・ネットワーク・eddy-viscosityクロージャを開発した。
閉包は、各要素の乱流運動エネルギーと時間スケールを、隣人の流れと幾何学から予測する。
2方程式RANS乱流をCFDのわずかなコストで粗いメッシュシステムコードで回復することができる。
- 参考スコア(独自算出の注目度): 10.58170380809604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: System thermal-hydraulics codes such as the System Analysis Module (SAM) close turbulence on coarse meshes with algebraic zero-equation mixing-length models. These models cannot represent the non-equilibrium turbulence, flow separation, and large-scale recirculation of open-cavity advanced reactors. We develop an invariant neural-network eddy-viscosity closure for SAM and apply it to the Molten Salt Fast Reactor (MSFR). The closure predicts the turbulent kinetic energy and timescale of each element from the flow and geometry of its neighbors, without solving turbulence transport equations. The resulting non-negative eddy viscosity enters the implicit diffusive operator, which keeps the momentum equations well conditioned. We prove that the closure is exactly invariant to translation, Galilean boost, rotation, reflection, and neighbor ordering. A network trained on high-order Nek5000 fields sees a different feature distribution on the coarse SAM mesh. We remove this covariate shift by iteratively retraining the network on SAM flow states against fixed Nek5000 targets. For a held-out steady state, the coupled closure reproduces the single recirculation cell and eddy-viscosity plume of the Nek5000 reference. In a 120 s pump-coastdown transient, it halves the velocity error of the mixing-length model, from 37.6% to 17.7%, and matches the Nek5000 eddy viscosity with a time-averaged relative error of 12%. The remaining velocity error comes from the coarse mesh. The coupled transient takes about 0.2 core-hours, compared with about 330 core-hours for Nek5000. The results show that the closure can recover two-equation RANS turbulence behavior in a coarse-mesh system code at a small fraction of the CFD cost.
- Abstract(参考訳): システム解析モジュール(SAM)のような熱水和関数は、代数的ゼロ方程式混合長モデルを持つ粗いメッシュ上での閉乱流である。
これらのモデルは、非平衡乱流、流れの分離、開放キャビティ進行型原子炉の大規模再循環を表現できない。
我々はSAMのための不変のニューラル・ネットワーク・eddy-viscosityクロージャを開発し、それを溶融塩高速炉(MSFR)に適用する。
閉包は、乱流輸送方程式を解くことなく、隣人の流れと幾何学から各要素の乱流運動エネルギーと時間スケールを予測する。
結果として生じる非負の渦粘性は暗黙の拡散作用素に入り、運動量方程式の条件がよく保たれる。
閉包は、翻訳、ガリレオの増進、回転、反射、近隣の順序と全く不変であることを示す。
高次Nek5000フィールドでトレーニングされたネットワークは、粗いSAMメッシュ上で異なる特徴分布を見ることができる。
我々は、この共変量シフトを、固定されたNek5000ターゲットに対してSAMフロー状態のネットワークを反復的に再訓練することで除去する。
安定状態が保たれた状態では、結合されたクロージャは、Nek5000参照の単一再循環細胞と渦毛細管を再生する。
120秒のポンプコーストダウン過渡度では、混合長モデルの速度誤差を37.6%から17.7%に縮め、ネク5000渦粘度と平均相対誤差の12%と一致する。
残りの速度誤差は粗いメッシュから生じる。
結合されたトランジェントは約0.2コア時間であり、Nek5000では約330コア時間である。
その結果,2方程式RANS乱流挙動をCFDコストのごく一部で再現できることが示唆された。
関連論文リスト
- Time-Integrated Leakage as a Dynamical Benchmark for Multi-Mode Superconducting-Qubit Reset [0.0]
フラックス周波数制御下でのマルチモード散逸リセットモデルについて検討する。
本研究では, 有限熱占有, パラメータスイープ, 周波数障害, 補助鎖アブレーション, 文献ベースレートベンチマークについて検討した。
論文 参考訳(メタデータ) (2026-09-29T18:16:48Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳(メタデータ) (2026-09-29T11:24:19Z) - A Physics-Chemistry-Informed Neural Network (PCINN) for Real-Time Spatial-ALD Coverage Prediction and Reliable Kinetics Inversion [12.347745432601306]
CFDレベルの精度をリアルタイムに実現した物理インフォームド化学化学ニューラルネットワークを提案する。
クエリは、CFD解決の約5×104倍の約7ミリ秒でカバレッジを返す。
アーキテクチャはブラックボックスではなく、小さなネットワークは、動作条件からニアウォール濃度の閉鎖のみを学習する。
論文 参考訳(メタデータ) (2026-07-31T18:52:27Z) - Kohn-Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification [0.0]
Kohn-Sham Spectral Embedding (KSSE)
畳み込みネットワークの上位層を、関連するランダム・ボンド・アイシング・モデルの西森温度に埋め込んだスパースグラフスペクトルに置き換えたエネルギーベースモデル。
ImageNet-1000では、凍結されたEfficientNet-B4機能により、KSSEは21.24MパラメータビーティングSwin-L (197M, 86.4-87.3%)で88.93%のTop-1精度を達成し、ViT-H/14の下端(632M, 88.0-89.5%)を10倍と30倍のパラメータでマッチングした。
論文 参考訳(メタデータ) (2026-07-30T16:05:51Z) - What Does a Discrete Diffusion Model Learn? [71.03603607324338]
離散拡散モデルは、デノイザ、スコア比、ブリッジプラグイン予測器などを学ぶ。
まず, 連続時間マルコフ連鎖 (CTMC) ELBO の任意のノイズ発生過程に対する厳密な導出から始める。
すべてのアイデンティティは、正確に解けるモデル上で近似なしで数値的に検証される。
論文 参考訳(メタデータ) (2026-07-06T17:56:11Z) - Learning to Solve Generative ODEs Beyond the Linear Span [50.13853710831612]
空間残留演算子を用いてスカラー係数更新を増強する軽量ニューラルソルバであるSpanLiftを提案する。
SpanLiftは、ピクセル空間の拡散、潜水流のマッチング、降水は今、最先端の数ステップのサンプリングを実現している。
論文 参考訳(メタデータ) (2026-06-07T15:22:13Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳(メタデータ) (2025-11-16T20:14:28Z) - Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。
我々は90~200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。
我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
論文 参考訳(メタデータ) (2025-09-10T16:10:58Z) - Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。
1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。
その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
論文 参考訳(メタデータ) (2025-07-01T18:46:27Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。